本文提出了两种新的方法以改善 Constraint Acquisition（CA）系统中查询效率的瓶颈问题，分别是减少用户等待时间的 bottom-up 方法和基于概率的查询生成算法，实验结果表明这些方法可以将查询数减少高达 60%。

Jul, 2023

本文基于概率约束编程模型，提出了一种基于对数线性概率模型的参数估计和查询概率约束编程模型中最可能的分析方法，并提供了适用于大数据空间的合适的近似方法。

Nov, 1997

本研究通过引入多任务学习、约束保持和课程学习等技术改进了 Popper ILP 系统，实验结果表明这些优化手段对于提高系统性能和推广基于逻辑程序的机器学习应用具有重要意义。

Aug, 2022

利用预训练的大型语言模型从文本问题描述中提取模型的可能方法，并通过基于分解的提示方法与 GPT 模型展示了早期结果。

Aug, 2023

本研究提出了一种基于约束学习的半监督学习方法，利用黑盒模拟器生成未标记数据进行训练并通过对抗训练实现生成模型的训练，提高模型在多种任务上的表现。

May, 2018

本文提出了一种基于监督学习的变量排序策略，针对工厂车间问题进行求解，通过分类与回归模型预测问题实例的最优解，从而优化约束规划求解器的变量搜索顺序，并表明该方法表现优异，且与传统的基于领域的方法结合的混合策略效果更佳。

Nov, 2022

提出了一种新的框架，称为归纳约束编程循环，该框架结合了数据挖掘和机器学习等领域以及约束编程，用于动态更新约束和优化条件来解决许多实际的优化问题。

Oct, 2015

第一阶概率模型结合了一阶逻辑的表征能力和图形模型，有关设计第一阶概率模型的 lifted 推断算法的工作在继续进行中。从约束处理的角度分析 lifted 推断，并通过这个视点分析和比较现有方法的优缺点，理论证明了约束处理方法的错误选择可能会导致计算复杂度的指数增加。实证测试证实了 lifted 推断中约束处理的重要性。这是第一个关于 lifted 推断中约束处理的理论和实证研究。

May, 2012

本文研究基于交互式的学习方式，探讨以 active learning 和 skeptical learning 为主要方向的标签未知和标签噪音的情况下，采用确保可靠和高效运算的具有表现力的概率模型来衡量不确定性，在此条件下，我们研究认证了一类概率模型 CRISPs，以确保保持表现力的同时，可以实现上述量的可计算性。此外，我们展示了如何利用 CRISPs 在大型结构输出空间中实现鲁棒和高效的 active learning 和 skeptical learning。

Feb, 2022

本文提出了一种新的方法，基于神经网络和流形变换，使用干预数据来学习因果有向无环图，该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。

Jul, 2020